Generativa AI-modeller har använts för att skapa enorma bibliotek med teoretiska material som kan hjälpa till att lösa alla möjliga problem. Nu måste forskarna bara lista ut hur de ska tillverkas.
I många fall är materialsyntes inte lika enkelt som att följa ett recept i köket. Faktorer som temperatur och bearbetningstid kan ge stora förändringar i ett materials egenskaper som avgör dess prestanda. Detta har begränsat forskarnas möjlighet att testa miljontals lovande modellgenererade material.
Nu har forskare vid MIT skapat en AI-modell som guidar forskare genom processen att tillverka material genom att föreslå lovande syntesvägar. I en ny artikel visade de att modellen levererar toppmodern noggrannhet när det gäller att förutsäga effektiva syntesvägar för en klass av material som kallas zeoliter, som kan användas för att förbättra katalys-, absorptions- och jonbytesprocesser. Efter att ha följt dess förslag syntetiserade teamet ett nytt zeolitmaterial som visade förbättrad termisk stabilitet.
Forskarna tror att deras nya modell kan bryta den största flaskhalsen i processen för att upptäcka nya material.
”För att använda en analogi: vi vet vilken sorts kaka vi vill baka, men just nu vet vi inte hur vi ska baka den”, säger huvudförfattaren Elton Pan, doktorand vid MIT:s institution för materialvetenskap och teknik (DMSE). ”Materialsyntes görs för närvarande genom domänexpertis och trial and error.”
Artikeln som beskriver arbetet kommer att publiceras i Nature Computational Science. Medförfattare till artikeln är Soonhyoung Kwon ’20, Ph.D. ’24; DMSE-postdoktor Sulin Liu; doktorand i kemiteknik Mingrou Xie; DMSE-postdoktor Alexander J. Hoffman; forskningsassistent Yifei Duan SM ’25; DMSE-gäststudent Thorben Prein, DMSE-doktorand Killian Sheriff, MIT Robert T. Haslam-professor i kemiteknik Yuriy Roman-Leshkov, professor Manuel Moliner vid Valencia Polytechnic University, MIT Paul M. Cook-karriärutvecklingsprofessor Rafael Gómez-Bombarelli och MIT Jerry McAfee-professor i teknik Elsa Olivetti.
Lära sig att baka
Massiva investeringar i generativ AI har lett till att företag som Google och Meta har skapat enorma databaser fyllda med materialrecept som, åtminstone teoretiskt, har egenskaper som hög termisk stabilitet och selektiv absorption av gaser. Men att tillverka dessa material kan kräva veckor eller månader av noggranna experiment där man testar specifika reaktionstemperaturer, tider, förlättningsförhållanden och andra faktorer.
”Människor förlitar sig på sin kemiska intuition för att styra processen”, säger Pan. ”Människor är linjära. Om det finns fem parametrar kan vi hålla fyra av dem konstanta och variera en av dem linjärt. Men maskiner är mycket bättre på att resonera i ett högdimensionellt utrymme.”
Syntesprocessen för materialupptäckt tar nu ofta mest tid i ett materials resa från teori till användning.
För att hjälpa forskare att navigera i den processen tränade MIT-forskarna en generativ AI-modell på över 23 000 recept för materialsyntes som beskrivits i vetenskapliga artiklar under 50 år. Forskarna lade iterativt till slumpmässigt ”brus” i recepten under träningen, och modellen lärde sig att ta bort bruset och ta prover från det slumpmässiga bruset för att hitta lovande syntesvägar.
Resultatet är DiffSyn, som använder en metod inom AI som kallas diffusion.
”Diffusionsmodeller är i grunden en generativ AI-modell som ChatGPT, men mer lik DALL-E-bildgenereringsmodellen”, säger Pan. ”Under inferensen omvandlar den brus till en meningsfull struktur genom att subtrahera lite brus vid varje steg. I det här fallet är ’strukturen’ syntesvägen för ett önskat material.”
När en forskare som använder DiffSyn anger en önskad materialstruktur erbjuder modellen några lovande kombinationer av reaktionstemperaturer, reaktionstider, prekursorförhållanden och mer.
”Det berättar i princip hur du bakar din kaka”, säger Pan. ”Du har en kaka i åtanke, du matar in den i modellen, modellen spottar ut syntesrecepten. Forskaren kan välja vilken syntesväg de vill, och det finns enkla sätt att kvantifiera den mest lovande syntesvägen från det vi tillhandahåller, vilket vi visar i vår artikel.”
För att testa sitt system använde forskarna DiffSyn för att föreslå nya syntesvägar för en zeolit, en materialklass som är komplex och tar tid att forma till ett testbart material.
”Zeoliter har ett mycket högdimensionellt syntesutrymme”, säger Pan. ”Zeoliter tenderar också att ta dagar eller veckor att kristallisera, så effekten [av att hitta den bästa syntesvägen snabbare] är mycket större än för andra material som kristalliserar på några timmar.”
Forskarna kunde tillverka det nya zeolitmaterialet med hjälp av syntesvägar som föreslagits av DiffSyn. Efterföljande tester visade att materialet hade en lovande morfologi för katalytiska tillämpningar.
”Forskare har provat olika syntesrecept ett efter ett”, säger Pan. ”Det gör dem mycket tidskrävande. Denna modell kan testa 1 000 av dem på mindre än en minut. Det ger dig en mycket bra initial gissning om syntesrecept för helt nya material.”
Hänsyn till komplexitet
Tidigare har forskare byggt maskininlärningsmodeller som mappade ett material till ett enda recept. Dessa metoder tar inte hänsyn till att det finns olika sätt att tillverka samma material.
DiffSyn är tränad att mappa materialstrukturer till många olika möjliga syntesvägar. Pan säger att detta bättre överensstämmer med den experimentella verkligheten.
”Detta är ett paradigmskifte från en-till-en-mappning mellan struktur och syntes till en-till-många-mappning”, säger Pan. ”Det är en viktig anledning till att vi uppnådde stora vinster i benchmark-testerna.”
Framöver tror forskarna att metoden bör fungera för att träna andra modeller som styr syntesen av material utanför zeoliter, inklusive metallorganiska ramverk, oorganiska fasta ämnen och andra material som har mer än en möjlig syntesväg.
”Denna metod kan utvidgas till andra material”, säger Pan. ”Nu är flaskhalsen att hitta högkvalitativa data för olika materialklasser. Men zeoliter är komplicerade, så jag kan tänka mig att de ligger nära den övre gränsen för svårighetsgrad. I slutändan skulle målet vara att koppla samman dessa intelligenta system med autonoma experiment i den verkliga världen och agentiskt resonemang om experimentell feedback för att dramatiskt påskynda processen för materialdesign.”
Publiceringsinformation
Elton Pan et al, DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning”, Nature Computational Science (2026). På arXiv: DOI: 10.48550/arxiv.2509.17094
Denna artikel översätts och återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som rapporterar om nyheter om forskning, innovation och undervisning vid MIT
